1. WorkBuddy Claw 一号员工上岗：openclaw 二次开发到底在改什么WorkBuddy Claw 是腾讯推出的 AI 同事产品，你可以把它理解成一个能听懂人话、在你电脑上自主规划并执行任务的智能体，而 Claw 则是它的手机遥控器——在企业微信、飞书、钉钉、QQ 里发一条消息，就能远程调度电脑上的 WorkBuddy 干活。openclaw 是它的开源内核，也是二次开发的入口。适合谁？适合那些不满足于“开箱即用”、想把 AI 同事接入自己业务流、定制专属技能和自动化任务的开发者与团队。我试过把 openclaw 拉下来跑通第一个自动化任务，整个过程踩了不少坑，但也摸清了二次开发的最小闭环。这篇文章就按“环境准备 → 配置项梳理 → 首个任务跑通 → 验证结果 → 排障”的顺序，把每一步的可复制片段给你。先说清楚二次开发改的是什么。openclaw 的核心是一套 Agent 调度框架：它接收指令，拆解成子任务，调用本地或云端的工具（文件读写、命令执行、HTTP 请求、技能插件），最后汇总结果。二次开发主要动三个地方：一是技能（Skill）的注册与实现，二是模型接入配置，三是任务调度与回调逻辑。你不需要改内核，只需要在约定的扩展点上挂自己的代码。为什么强调“一号员工”这个定位？因为 openclaw 的设计目标不是聊天，而是交付可验收的结果。它支持多 Agents 并行、云端与本地协同、定时任务和工作流沉淀。这意味着你的二次开发可以围绕“让这个员工学会一项新技能”来展开，而不是从零搭一个 Agent 框架。环境准备阶段，你需要一台能跑 Node.js 的机器（本地或云主机都行），Node 18 以上，pnpm 或 npm 任选。openclaw 的仓库结构里，skills/目录放技能实现，config/放模型和运行时配置，tasks/放任务定义。第一次跑建议先用官方示例技能验证链路，再替换成自己的。这里有个容易忽略的点：openclaw 的技能是声明式注册的，每个技能有一个 manifest 描述它的名称、入参、出参和触发方式。你写技能时，只要按 manifest 约定实现 handler 函数即可，框架负责调度和错误重试。这个设计让二次开发的门槛降了很多——你不需要懂调度器内部，只要会写一个函数。模型接入方面，openclaw 支持多家模型供应商。如果你想让自己的 Agent 稳定跑起来，建议用一个兼容 OpenAI 接口协议的网关来统一管理 Key 和模型路由。TaoToken 就是这样一个入口，它的 API 地址是 https://taotoken.net/api，兼容主流接口格式，配置时把 Base URL 指向它、填上你的 Key、指定 Model ID 就行。这样你换模型时不用改代码，只改配置。接下来进入实操。我会先给出环境准备和依赖安装的完整命令，再给出配置文件的 JSON 片段，然后写一个最小技能，最后用一次真实请求验证整个链路。每一步都有可复制的代码和预期结果，你跟着做就能跑通。2. TaoToken 前置：openclaw 二次开发的模型接入与 Key 准备在写第一行技能代码之前，先把模型接入这条链路打通。openclaw 的 Agent 要能思考、规划、调用工具，背后必须有一个稳定的模型服务。二次开发阶段你可能会频繁切换模型做对比，所以用一个统一的网关来管理接入是最省事的做法。TaoToken 的定位就是模型接入网关，它兼容 OpenAI 的接口协议，你拿到的 Key 可以同时用于对话、代码补全等场景。对于 openclaw 二次开发来说，你只需要关心三件事：Base URL、API Key、Model ID。这三个东西填对了，Agent 就能跑起来。先拿 Key。访问 https://taotoken.net/api-keys 创建你的 API Key，复制下来保存好。注意这个 Key 只在创建时完整显示一次，丢了就得重新建。拿到 Key 之后，你的接入信息是：Base URL：https://taotoken.net/apiAPI Key：你刚创建的那串字符Model ID：按你需要的模型填，比如 claude-sonnet-4-20250514 或 gpt-4o 这类如果你用的是 Claude Code 做辅助开发，可以走 https://taotoken.net/claude-code-anthropic 这个入口，它把 Anthropic 风格的接口也做了适配。对于 openclaw 这种需要频繁调用工具的 Agent，建议选一个支持 function calling 的模型，否则技能调度会失败。配置写在哪里？openclaw 的模型配置通常在config/models.json或环境变量里。推荐用环境变量，避免 Key 进版本库。你可以建一个.env文件：# .env OPENCLAW_BASE_URL=https://taotoken.net/api OPENCLAW_API_KEY=sk-你的Key OPENCLAW_MODEL_ID=claude-sonnet-4-20250514然后在 openclaw 的配置加载逻辑里读取这三个变量。如果你用的是 JSON 配置，可以这样写：{ "model": { "provider": "openai-compatible", "baseUrl": "https://taotoken.net/api", "apiKey": "${OPENCLAW_API_KEY}", "modelId": "claude-sonnet-4-20250514", "maxTokens": 4096, "temperature": 0.3 }, "runtime": { "maxConcurrentTasks": 3, "taskTimeoutMs": 120000 } }注意apiKey用了${OPENCLAW_API_KEY}这种占位符写法，openclaw 启动时会从环境变量注入。这样你的配置文件可以安全地提交到仓库，Key 留在本地。为什么 temperature 设 0.3？因为 Agent 任务需要稳定复现，太高的随机性会让同一个指令每次跑出不同结果，排障时很痛苦。maxConcurrentTasks 设 3 是保守值，先跑通再往上加。配置写完后，先别急着跑 Agent，用一条 curl 验证模型链路是否通：curl -s https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $OPENCLAW_API_KEY" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "回复 OK 两个字母"}], "max_tokens": 16 }'如果返回的 JSON 里choices[0].message.content包含 OK，说明 Key 和 Base URL 都对。这一步很重要，因为后面 Agent 报错时，你要能区分是模型链路问题还是技能代码问题。我踩过的坑就是：技能 handler 里抛了异常，但错误信息被模型调用失败掩盖了，查了半天才发现是 Key 过期。还有一个细节：openclaw 在调用模型时可能会带 tools 参数（function calling）。如果你的模型不支持，会返回 400。这时候要么换模型，要么在配置里关掉工具调用，改成纯文本解析。建议直接用支持 function calling 的模型，省事。Key 准备好、链路验证通过之后，就可以进入技能开发了。下一节我会给出一个完整的最小技能实现，以及它在 openclaw 里怎么注册、怎么被调度。3. 可复制配置：openclaw 技能注册与 settings 片段这一节是二次开发的核心。openclaw 的技能机制是：你在skills/目录下建一个文件夹，里面放manifest.json和handler.js（或.ts），框架启动时扫描并注册。Agent 在规划任务时，会根据 manifest 里的描述决定是否调用这个技能。先看目录结构：openclaw/ ├── config/ │ └── models.json ├── skills/ │ └── daily-report/ │ ├── manifest.json │ └── handler.js └── tasks/ └── daily-report.task.jsonmanifest.json描述技能元信息：{ "name": "daily-report", "version": "1.0.0", "description": "生成每日工作日报，汇总指定目录下的文件变更并输出 Markdown", "trigger": { "type": "command", "keywords": ["日报", "daily report", "生成日报"] }, "input": { "type": "object", "properties": { "targetDir": { "type": "string", "description": "要汇总的目录路径" }, "date": { "type": "string", "description": "日期，格式 YYYY-MM-DD，默认今天" } }, "required": ["targetDir"] }, "output": { "type": "object", "properties": { "reportPath": { "type": "string" }, "summary": { "type": "string" } } } }这个 manifest 告诉 openclaw：当用户说“生成日报”时，可以调用这个技能，需要传入 targetDir。框架会把模型解析出的参数传给 handler。handler.js是实际执行逻辑：const fs = require('fs'); const path = require('path'); module.exports = async function handler(params, context) { const { targetDir, date } = params; const reportDate = date || new Date().toISOString().slice(0, 10); if (!fs.existsSync(targetDir)) { throw new Error(`目录不存在: ${targetDir}`); } const files = fs.readdirSync(targetDir, { withFileTypes: true }); const fileList = files .filter(f => f.isFile()) .map(f => { const stat = fs.statSync(path.join(targetDir, f.name)); return { name: f.name, size: stat.size, mtime: stat.mtime.toISOString() }; }); const summary = fileList .map(f => `- ${f.name} (${f.size} bytes, 修改于 ${f.mtime})`) .join('\n'); const reportContent = `# 日报 ${reportDate}\n\n## 文件变更\n\n${summary}\n`; const reportPath = path.join(targetDir, `report-${reportDate}.md`); fs.writeFileSync(reportPath, reportContent, 'utf-8'); return { reportPath, summary: `共 ${fileList.length} 个文件，报告已写入 ${reportPath}` }; };这个 handler 做了三件事：校验目录、读取文件列表、生成 Markdown 报告并写回磁盘。返回的对象会被 openclaw 记录，并作为任务结果展示。接下来是任务定义tasks/daily-report.task.json，它让这个技能可以定时触发：{ "name": "daily-report-task", "skill": "daily-report", "schedule": "0 18 * * *", "params": { "targetDir": "/Users/yourname/work/logs" }, "enabled": true }schedule用的是 cron 表达式，0 18 * * *表示每天 18:00 执行。openclaw 的调度器会读取这个文件并注册定时任务。如果你用的是 TypeScript 版本，handler 的签名类似，只是多了类型定义。核心逻辑不变。配置里还有一个关键项：技能的超时和重试。在config/runtime.json里可以设：{ "skillTimeoutMs": 30000, "skillRetry": { "maxAttempts": 2, "backoffMs": 1000 } }这意味着单个技能最多跑 30 秒，失败重试 2 次，每次间隔 1 秒。对于日报这种 IO 密集型任务够用了。如果是调用外部 API 的技能，把超时调大。注册完技能后，openclaw 启动时会打印已加载的技能列表。你可以在日志里看到[SkillRegistry] loaded: daily-report@1.0.0。如果没看到，说明 manifest 格式有问题，检查 JSON 是否合法、name 是否重复。这一节的配置片段你可以直接复制到自己的项目里，改一下 targetDir 和 schedule 就能跑。下一节我会用一次真实请求验证整个链路，包括模型解析指令、技能执行、结果返回。4. 验证请求：跑通首个自动化任务并确认结果配置写完了，现在跑一次真实请求。openclaw 的启动命令通常是：cd openclaw pnpm install pnpm start启动后你会看到类似输出：[Config] loaded models.json [SkillRegistry] loaded: daily-report@1.0.0 [TaskScheduler] registered: daily-report-task (0 18 * * *) [Server] listening on http://localhost:3000这说明技能和定时任务都注册成功了。接下来用 HTTP 请求触发一次任务。openclaw 一般会暴露一个/api/task接口：curl -X POST http://localhost:3000/api/task \ -H "Content-Type: application/json" \ -d '{ "instruction": "帮我生成今天的日报，目录是 /Users/yourname/work/logs", "skillHint": "daily-report" }'注意skillHint是可选的，如果你不指定，openclaw 会让模型自己判断该调用哪个技能。第一次跑建议指定，减少变量。预期返回：{ "taskId": "task-20250520-001", "status": "completed", "skill": "daily-report", "result": { "reportPath": "/Users/yourname/work/logs/report-2025-05-20.md", "summary": "共 12 个文件，报告已写入 /Users/yourname/work/logs/report-2025-05-20.md" }, "durationMs": 842 }如果 status 是 completed，去目标目录看报告文件是否存在、内容是否正确。打开report-2025-05-20.md，应该能看到文件列表和修改时间。这一步验证了什么？验证了模型链路通、技能注册成功、参数解析正确、handler 执行无异常、结果回传正常。整个二次开发的最小闭环就跑通了。如果你想验证定时任务，可以把 cron 改成*/2 * * * *（每 2 分钟），等两分钟看日志里是否有自动执行记录。或者直接调用调度器的触发接口：curl -X POST http://localhost:3000/api/schedule/trigger \ -H "Content-Type: application/json" \ -d '{"taskName": "daily-report-task"}'返回里会显示任务被手动触发，执行结果和上面一样。还有一个验证点：多 Agents 并行。你可以同时发两个请求，一个生成日报，一个做别的（比如文件重命名）。openclaw 会并行执行，看板里能看到两个任务的状态。这验证了 maxConcurrentTasks 配置生效。跑通之后，你可以把技能替换成自己的业务逻辑。比如把“读取文件列表”改成“调用内部 API 拉取工单”，把“写 Markdown”改成“发送到企业微信”。框架不变，只改 handler。这里有个实用技巧：在 handler 里加日志，方便排障。openclaw 的 context 对象通常带 logger：module.exports = async function handler(params, context) { context.logger.info('daily-report started', { targetDir: params.targetDir }); // ... context.logger.info('daily-report finished', { reportPath }); return { reportPath, summary }; };日志会输出到 openclaw 的控制台或日志文件。排障时先看日志，再看模型返回，最后看技能代码。验证通过后，你就有了一个可复现的二次开发闭环。接下来可以把这个技能接入 Claw，通过企业微信或飞书远程触发。Claw 的接入配置在 openclaw 的config/claw.json里，填上 IM 平台的 webhook 和 token 即可。这部分官方有图文教程，按步骤操作就行。5. 本篇常见错排查：401、local proxy failed 与 reading choices二次开发过程中最容易卡在几个报错上。这一节我把真实遇到过的错误和排查路径列出来，你对照着看。401 Unauthorized。这个最常见，原因是 API Key 无效或没传对。检查三件事：Key 是否复制完整（有没有多余空格）、环境变量是否真的注入到进程里（echo $OPENCLAW_API_KEY看看）、Base URL 是否写成了https://taotoken.net/api而不是带/v1的路径。openclaw 的模型客户端通常会自动拼/v1/chat/completions，你如果 Base URL 里已经带了/v1，就会变成/v1/v1/...，返回 404 或 401。正确写法是 Base URL 只到/api。local proxy failed。这个报错通常出现在 openclaw 尝试通过本地代理访问模型时。如果你没有配代理，检查配置文件里是否有proxy字段被误开。openclaw 的默认配置里 proxy 是关闭的，但有些示例配置会带上。把proxy设为null或删掉这个字段。另外，如果你在容器里跑 openclaw，容器内的 localhost 和宿主机的 localhost 不是一回事，代理地址要写宿主机的 IP。reading 'choices'。这个报错的全称通常是Cannot read properties of undefined (reading 'choices')，意思是模型返回的 JSON 里没有choices字段。原因可能是：模型返回了错误信息（比如{"error": {"message": "..."}}），但 openclaw 的解析代码直接读了response.choices。排查方法是把原始返回打印出来。在模型客户端里加一行console.log(JSON.stringify(rawResponse))，看看到底返回了什么。常见原因是模型 ID 写错了，或者账户余额不足。OAuth 相关报错。如果你用的是 Claude Code 或某些需要 OAuth 的入口，可能会遇到 token 过期。这时候重新走一遍授权流程，或者改用 API Key 方式接入。TaoToken 的 API Key 方式不涉及 OAuth，配置更简单。技能未注册。日志里没有[SkillRegistry] loaded: your-skill，说明 manifest 有问题。检查 JSON 是否合法（用jq . manifest.json验证）、name 是否和目录名一致、handler 文件是否存在。openclaw 对 manifest 的字段有校验，缺name或description会跳过注册。任务超时。如果技能执行超过skillTimeoutMs，任务会被标记为 timeout。日报这种任务一般不会超时，但如果你在 handler 里调用了慢速外部 API，就要把超时调大。另外，重试次数设太多会导致任务卡很久，建议 maxAttempts 不超过 3。参数解析错误。模型把targetDir解析成了别的字段名，导致 handler 收到 undefined。解决办法是在 manifest 的input.properties里把描述写清楚，并在 handler 里做参数校验：if (!params.targetDir) { throw new Error('缺少必需参数 targetDir'); }这样错误信息更明确，排障更快。Claw 远程触发无响应。如果你已经接入了企业微信或飞书，但发消息后没反应，检查 Claw 的 webhook 配置和 openclaw 的回调地址是否匹配。另外，Claw 的消息需要包含技能关键词，或者你在 Claw 配置里指定了默认技能。看 openclaw 的日志里有没有收到消息记录，如果没有，说明 webhook 没通。排障的通用思路是：先看日志，再看原始返回，最后看配置。openclaw 的日志级别可以在config/logging.json里调成 debug，会打印更多细节。6. 语义一致 CTA：把一号员工接入你的工作流跑通第一个技能之后，下一步就是把它接入真实工作流。你可以从这几个入口继续：想让 Agent 能对话、验证模型效果，用模型对话入口：https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=model-chat需要长期跑编码任务或 Agent 工作流，用 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding-plan管理你的 API Key 和用量，去控制台：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=console创建新的 Key：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=api-keys接入文档和配置示例：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=doc如果你用 Claude Code 做辅助开发，走这个入口：https://taotoken.net/claude-code-anthropic?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=claude-code-anthropic官网首页：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=把 openclaw 的技能目录当成你的“员工培训手册”，每加一个技能，这个一号员工就多会一件事。从日报开始，慢慢扩展到数据清洗、竞品抓取、会议纪要整理。跑通一个就沉淀一个，别贪多。
1. WorkBuddy Claw 一号员工上岗：openclaw 二次开发到底在改什么WorkBuddy Claw 是腾讯推出的 AI 同事产品，你可以把它理解成一个能听懂人话、在你电脑上自主规划并执行任务的智能体，而 Claw 则是它的手机遥控器——在企业微信、飞书、钉钉、QQ 里发一条消息，就能远程调度电脑上的 WorkBuddy 干活。openclaw 是它的开源内核，也是二次开发的入口。适合谁？适合那些不满足于“开箱即用”、想把 AI 同事接入自己业务流、定制专属技能和自动化任务的开发者与团队。我试过把 openclaw 拉下来跑通第一个自动化任务，整个过程踩了不少坑，但也摸清了二次开发的最小闭环。这篇文章就按“环境准备 → 配置项梳理 → 首个任务跑通 → 验证结果 → 排障”的顺序，把每一步的可复制片段给你。先说清楚二次开发改的是什么。openclaw 的核心是一套 Agent 调度框架：它接收指令，拆解成子任务，调用本地或云端的工具（文件读写、命令执行、HTTP 请求、技能插件），最后汇总结果。二次开发主要动三个地方：一是技能（Skill）的注册与实现，二是模型接入配置，三是任务调度与回调逻辑。你不需要改内核，只需要在约定的扩展点上挂自己的代码。为什么强调“一号员工”这个定位？因为 openclaw 的设计目标不是聊天，而是交付可验收的结果。它支持多 Agents 并行、云端与本地协同、定时任务和工作流沉淀。这意味着你的二次开发可以围绕“让这个员工学会一项新技能”来展开，而不是从零搭一个 Agent 框架。环境准备阶段，你需要一台能跑 Node.js 的机器（本地或云主机都行），Node 18 以上，pnpm 或 npm 任选。openclaw 的仓库结构里，skills/目录放技能实现，config/放模型和运行时配置，tasks/放任务定义。第一次跑建议先用官方示例技能验证链路，再替换成自己的。这里有个容易忽略的点：openclaw 的技能是声明式注册的，每个技能有一个 manifest 描述它的名称、入参、出参和触发方式。你写技能时，只要按 manifest 约定实现 handler 函数即可，框架负责调度和错误重试。这个设计让二次开发的门槛降了很多——你不需要懂调度器内部，只要会写一个函数。模型接入方面，openclaw 支持多家模型供应商。如果你想让自己的 Agent 稳定跑起来，建议用一个兼容 OpenAI 接口协议的网关来统一管理 Key 和模型路由。TaoToken 就是这样一个入口，它的 API 地址是 https://taotoken.net/api，兼容主流接口格式，配置时把 Base URL 指向它、填上你的 Key、指定 Model ID 就行。这样你换模型时不用改代码，只改配置。接下来进入实操。我会先给出环境准备和依赖安装的完整命令，再给出配置文件的 JSON 片段，然后写一个最小技能，最后用一次真实请求验证整个链路。每一步都有可复制的代码和预期结果，你跟着做就能跑通。2. TaoToken 前置：openclaw 二次开发的模型接入与 Key 准备在写第一行技能代码之前，先把模型接入这条链路打通。openclaw 的 Agent 要能思考、规划、调用工具，背后必须有一个稳定的模型服务。二次开发阶段你可能会频繁切换模型做对比，所以用一个统一的网关来管理接入是最省事的做法。TaoToken 的定位就是模型接入网关，它兼容 OpenAI 的接口协议，你拿到的 Key 可以同时用于对话、代码补全等场景。对于 openclaw 二次开发来说，你只需要关心三件事：Base URL、API Key、Model ID。这三个东西填对了，Agent 就能跑起来。先拿 Key。访问 https://taotoken.net/api-keys 创建你的 API Key，复制下来保存好。注意这个 Key 只在创建时完整显示一次，丢了就得重新建。拿到 Key 之后，你的接入信息是：Base URL：https://taotoken.net/apiAPI Key：你刚创建的那串字符Model ID：按你需要的模型填，比如 claude-sonnet-4-20250514 或 gpt-4o 这类如果你用的是 Claude Code 做辅助开发，可以走 https://taotoken.net/claude-code-anthropic 这个入口，它把 Anthropic 风格的接口也做了适配。对于 openclaw 这种需要频繁调用工具的 Agent，建议选一个支持 function calling 的模型，否则技能调度会失败。配置写在哪里？openclaw 的模型配置通常在config/models.json或环境变量里。推荐用环境变量，避免 Key 进版本库。你可以建一个.env文件：# .env OPENCLAW_BASE_URL=https://taotoken.net/api OPENCLAW_API_KEY=sk-你的Key OPENCLAW_MODEL_ID=claude-sonnet-4-20250514然后在 openclaw 的配置加载逻辑里读取这三个变量。如果你用的是 JSON 配置，可以这样写：{ "model": { "provider": "openai-compatible", "baseUrl": "https://taotoken.net/api", "apiKey": "${OPENCLAW_API_KEY}", "modelId": "claude-sonnet-4-20250514", "maxTokens": 4096, "temperature": 0.3 }, "runtime": { "maxConcurrentTasks": 3, "taskTimeoutMs": 120000 } }注意apiKey用了${OPENCLAW_API_KEY}这种占位符写法，openclaw 启动时会从环境变量注入。这样你的配置文件可以安全地提交到仓库，Key 留在本地。为什么 temperature 设 0.3？因为 Agent 任务需要稳定复现，太高的随机性会让同一个指令每次跑出不同结果，排障时很痛苦。maxConcurrentTasks 设 3 是保守值，先跑通再往上加。配置写完后，先别急着跑 Agent，用一条 curl 验证模型链路是否通：curl -s https://taotoken.net/api/v1/chat/completions \ -H "Content-Type: application/json" \ -H "Authorization: Bearer $OPENCLAW_API_KEY" \ -d '{ "model": "claude-sonnet-4-20250514", "messages": [{"role": "user", "content": "回复 OK 两个字母"}], "max_tokens": 16 }'如果返回的 JSON 里choices[0].message.content包含 OK，说明 Key 和 Base URL 都对。这一步很重要，因为后面 Agent 报错时，你要能区分是模型链路问题还是技能代码问题。我踩过的坑就是：技能 handler 里抛了异常，但错误信息被模型调用失败掩盖了，查了半天才发现是 Key 过期。还有一个细节：openclaw 在调用模型时可能会带 tools 参数（function calling）。如果你的模型不支持，会返回 400。这时候要么换模型，要么在配置里关掉工具调用，改成纯文本解析。建议直接用支持 function calling 的模型，省事。Key 准备好、链路验证通过之后，就可以进入技能开发了。下一节我会给出一个完整的最小技能实现，以及它在 openclaw 里怎么注册、怎么被调度。3. 可复制配置：openclaw 技能注册与 settings 片段这一节是二次开发的核心。openclaw 的技能机制是：你在skills/目录下建一个文件夹，里面放manifest.json和handler.js（或.ts），框架启动时扫描并注册。Agent 在规划任务时，会根据 manifest 里的描述决定是否调用这个技能。先看目录结构：openclaw/ ├── config/ │ └── models.json ├── skills/ │ └── daily-report/ │ ├── manifest.json │ └── handler.js └── tasks/ └── daily-report.task.jsonmanifest.json描述技能元信息：{ "name": "daily-report", "version": "1.0.0", "description": "生成每日工作日报，汇总指定目录下的文件变更并输出 Markdown", "trigger": { "type": "command", "keywords": ["日报", "daily report", "生成日报"] }, "input": { "type": "object", "properties": { "targetDir": { "type": "string", "description": "要汇总的目录路径" }, "date": { "type": "string", "description": "日期，格式 YYYY-MM-DD，默认今天" } }, "required": ["targetDir"] }, "output": { "type": "object", "properties": { "reportPath": { "type": "string" }, "summary": { "type": "string" } } } }这个 manifest 告诉 openclaw：当用户说“生成日报”时，可以调用这个技能，需要传入 targetDir。框架会把模型解析出的参数传给 handler。handler.js是实际执行逻辑：const fs = require('fs'); const path = require('path'); module.exports = async function handler(params, context) { const { targetDir, date } = params; const reportDate = date || new Date().toISOString().slice(0, 10); if (!fs.existsSync(targetDir)) { throw new Error(`目录不存在: ${targetDir}`); } const files = fs.readdirSync(targetDir, { withFileTypes: true }); const fileList = files .filter(f => f.isFile()) .map(f => { const stat = fs.statSync(path.join(targetDir, f.name)); return { name: f.name, size: stat.size, mtime: stat.mtime.toISOString() }; }); const summary = fileList .map(f => `- ${f.name} (${f.size} bytes, 修改于 ${f.mtime})`) .join('\n'); const reportContent = `# 日报 ${reportDate}\n\n## 文件变更\n\n${summary}\n`; const reportPath = path.join(targetDir, `report-${reportDate}.md`); fs.writeFileSync(reportPath, reportContent, 'utf-8'); return { reportPath, summary: `共 ${fileList.length} 个文件，报告已写入 ${reportPath}` }; };这个 handler 做了三件事：校验目录、读取文件列表、生成 Markdown 报告并写回磁盘。返回的对象会被 openclaw 记录，并作为任务结果展示。接下来是任务定义tasks/daily-report.task.json，它让这个技能可以定时触发：{ "name": "daily-report-task", "skill": "daily-report", "schedule": "0 18 * * *", "params": { "targetDir": "/Users/yourname/work/logs" }, "enabled": true }schedule用的是 cron 表达式，0 18 * * *表示每天 18:00 执行。openclaw 的调度器会读取这个文件并注册定时任务。如果你用的是 TypeScript 版本，handler 的签名类似，只是多了类型定义。核心逻辑不变。配置里还有一个关键项：技能的超时和重试。在config/runtime.json里可以设：{ "skillTimeoutMs": 30000, "skillRetry": { "maxAttempts": 2, "backoffMs": 1000 } }这意味着单个技能最多跑 30 秒，失败重试 2 次，每次间隔 1 秒。对于日报这种 IO 密集型任务够用了。如果是调用外部 API 的技能，把超时调大。注册完技能后，openclaw 启动时会打印已加载的技能列表。你可以在日志里看到[SkillRegistry] loaded: daily-report@1.0.0。如果没看到，说明 manifest 格式有问题，检查 JSON 是否合法、name 是否重复。这一节的配置片段你可以直接复制到自己的项目里，改一下 targetDir 和 schedule 就能跑。下一节我会用一次真实请求验证整个链路，包括模型解析指令、技能执行、结果返回。4. 验证请求：跑通首个自动化任务并确认结果配置写完了，现在跑一次真实请求。openclaw 的启动命令通常是：cd openclaw pnpm install pnpm start启动后你会看到类似输出：[Config] loaded models.json [SkillRegistry] loaded: daily-report@1.0.0 [TaskScheduler] registered: daily-report-task (0 18 * * *) [Server] listening on http://localhost:3000这说明技能和定时任务都注册成功了。接下来用 HTTP 请求触发一次任务。openclaw 一般会暴露一个/api/task接口：curl -X POST http://localhost:3000/api/task \ -H "Content-Type: application/json" \ -d '{ "instruction": "帮我生成今天的日报，目录是 /Users/yourname/work/logs", "skillHint": "daily-report" }'注意skillHint是可选的，如果你不指定，openclaw 会让模型自己判断该调用哪个技能。第一次跑建议指定，减少变量。预期返回：{ "taskId": "task-20250520-001", "status": "completed", "skill": "daily-report", "result": { "reportPath": "/Users/yourname/work/logs/report-2025-05-20.md", "summary": "共 12 个文件，报告已写入 /Users/yourname/work/logs/report-2025-05-20.md" }, "durationMs": 842 }如果 status 是 completed，去目标目录看报告文件是否存在、内容是否正确。打开report-2025-05-20.md，应该能看到文件列表和修改时间。这一步验证了什么？验证了模型链路通、技能注册成功、参数解析正确、handler 执行无异常、结果回传正常。整个二次开发的最小闭环就跑通了。如果你想验证定时任务，可以把 cron 改成*/2 * * * *（每 2 分钟），等两分钟看日志里是否有自动执行记录。或者直接调用调度器的触发接口：curl -X POST http://localhost:3000/api/schedule/trigger \ -H "Content-Type: application/json" \ -d '{"taskName": "daily-report-task"}'返回里会显示任务被手动触发，执行结果和上面一样。还有一个验证点：多 Agents 并行。你可以同时发两个请求，一个生成日报，一个做别的（比如文件重命名）。openclaw 会并行执行，看板里能看到两个任务的状态。这验证了 maxConcurrentTasks 配置生效。跑通之后，你可以把技能替换成自己的业务逻辑。比如把“读取文件列表”改成“调用内部 API 拉取工单”，把“写 Markdown”改成“发送到企业微信”。框架不变，只改 handler。这里有个实用技巧：在 handler 里加日志，方便排障。openclaw 的 context 对象通常带 logger：module.exports = async function handler(params, context) { context.logger.info('daily-report started', { targetDir: params.targetDir }); // ... context.logger.info('daily-report finished', { reportPath }); return { reportPath, summary }; };日志会输出到 openclaw 的控制台或日志文件。排障时先看日志，再看模型返回，最后看技能代码。验证通过后，你就有了一个可复现的二次开发闭环。接下来可以把这个技能接入 Claw，通过企业微信或飞书远程触发。Claw 的接入配置在 openclaw 的config/claw.json里，填上 IM 平台的 webhook 和 token 即可。这部分官方有图文教程，按步骤操作就行。5. 本篇常见错排查：401、local proxy failed 与 reading choices二次开发过程中最容易卡在几个报错上。这一节我把真实遇到过的错误和排查路径列出来，你对照着看。401 Unauthorized。这个最常见，原因是 API Key 无效或没传对。检查三件事：Key 是否复制完整（有没有多余空格）、环境变量是否真的注入到进程里（echo $OPENCLAW_API_KEY看看）、Base URL 是否写成了https://taotoken.net/api而不是带/v1的路径。openclaw 的模型客户端通常会自动拼/v1/chat/completions，你如果 Base URL 里已经带了/v1，就会变成/v1/v1/...，返回 404 或 401。正确写法是 Base URL 只到/api。local proxy failed。这个报错通常出现在 openclaw 尝试通过本地代理访问模型时。如果你没有配代理，检查配置文件里是否有proxy字段被误开。openclaw 的默认配置里 proxy 是关闭的，但有些示例配置会带上。把proxy设为null或删掉这个字段。另外，如果你在容器里跑 openclaw，容器内的 localhost 和宿主机的 localhost 不是一回事，代理地址要写宿主机的 IP。reading 'choices'。这个报错的全称通常是Cannot read properties of undefined (reading 'choices')，意思是模型返回的 JSON 里没有choices字段。原因可能是：模型返回了错误信息（比如{"error": {"message": "..."}}），但 openclaw 的解析代码直接读了response.choices。排查方法是把原始返回打印出来。在模型客户端里加一行console.log(JSON.stringify(rawResponse))，看看到底返回了什么。常见原因是模型 ID 写错了，或者账户余额不足。OAuth 相关报错。如果你用的是 Claude Code 或某些需要 OAuth 的入口，可能会遇到 token 过期。这时候重新走一遍授权流程，或者改用 API Key 方式接入。TaoToken 的 API Key 方式不涉及 OAuth，配置更简单。技能未注册。日志里没有[SkillRegistry] loaded: your-skill，说明 manifest 有问题。检查 JSON 是否合法（用jq . manifest.json验证）、name 是否和目录名一致、handler 文件是否存在。openclaw 对 manifest 的字段有校验，缺name或description会跳过注册。任务超时。如果技能执行超过skillTimeoutMs，任务会被标记为 timeout。日报这种任务一般不会超时，但如果你在 handler 里调用了慢速外部 API，就要把超时调大。另外，重试次数设太多会导致任务卡很久，建议 maxAttempts 不超过 3。参数解析错误。模型把targetDir解析成了别的字段名，导致 handler 收到 undefined。解决办法是在 manifest 的input.properties里把描述写清楚，并在 handler 里做参数校验：if (!params.targetDir) { throw new Error('缺少必需参数 targetDir'); }这样错误信息更明确，排障更快。Claw 远程触发无响应。如果你已经接入了企业微信或飞书，但发消息后没反应，检查 Claw 的 webhook 配置和 openclaw 的回调地址是否匹配。另外，Claw 的消息需要包含技能关键词，或者你在 Claw 配置里指定了默认技能。看 openclaw 的日志里有没有收到消息记录，如果没有，说明 webhook 没通。排障的通用思路是：先看日志，再看原始返回，最后看配置。openclaw 的日志级别可以在config/logging.json里调成 debug，会打印更多细节。6. 语义一致 CTA：把一号员工接入你的工作流跑通第一个技能之后，下一步就是把它接入真实工作流。你可以从这几个入口继续：想让 Agent 能对话、验证模型效果，用模型对话入口：https://taotoken.net/model-chat?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=model-chat需要长期跑编码任务或 Agent 工作流，用 Coding Plan：https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=coding-plan管理你的 API Key 和用量，去控制台：https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=console创建新的 Key：https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=api-keys接入文档和配置示例：https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=doc如果你用 Claude Code 做辅助开发，走这个入口：https://taotoken.net/claude-code-anthropic?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=claude-code-anthropic官网首页：https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=把 openclaw 的技能目录当成你的“员工培训手册”，每加一个技能，这个一号员工就多会一件事。从日报开始，慢慢扩展到数据清洗、竞品抓取、会议纪要整理。跑通一个就沉淀一个，别贪多。